11 giờ đêm thứ Tư, thằng Hùng quăng cho mình một đoạn voice dài đúng 8 giây. Giọng nữ đọc mô tả sản phẩm, nghe rất thư thái, giữa chừng còn có một nhịp lấy hơi nhẹ. Xong nó nhắn: "Giọng này thuê người thật đọc hả mày?"

Không. Mình dùng công cụ nhân bản giọng nói miễn phí tạo ra, tổng thời gian chưa tới hai phút.

Nó im ba giây. Rồi hỏi một câu mà mình không lường trước: "Ủa vậy lúc xuất file, chọn MP3 hay WAV?"

...Thật lòng, câu này khó trả lời hơn câu "giọng có giống người thật không" nhiều.

Chuyện lạc sang định dạng file

Hùng làm nội dung cho shop online. Gần đây nó đang chuẩn bị một loạt audio mô tả sản phẩm để gắn vào trang chi tiết. Trước đó nó thuê ngoài, 30 giây giá 80k, sửa một lần cộng thêm 30k. Hôm mình demo cho nó xem cách chuyển văn bản thành giọng nói trên trình duyệt, nó đứng hình. Không cần cài phần mềm, không cần tạo tài khoản, dán chữ vào là có tiếng ngay. Nó hỏi lại ba lần: "Miễn phí thiệt hả?"

Mình hiểu cảm giác đó. Mấy năm nay mình thử qua cả chục công cụ gắn mác "tạo giọng nói miễn phí", đa số hết lượt là bắt nâng cấp, hoặc file xuất ra dính watermark. Loại voice clone không cần đăng ký mà còn không giới hạn số lần đúng là hiếm.

Nhưng tới lúc tự làm, vấn đề mới nảy ra. Nó nhập xong kịch bản, bấm xuất file, thấy hai lựa chọn định dạng, thế là đứng im. Nhiều người tìm "text to speech tiếng việt miễn phí" rồi dành cả buổi so sánh giọng nào tự nhiên hơn, cuối cùng lại chọn đại định dạng ở bước cuối, làm hỏng hết công sức phía trước.

MP3 và WAV khác nhau không phải ở chỗ "nghe hay hơn"

Phá một hiểu lầm phổ biến trước đã.

WAV không phải "chất lượng cao hơn". Nó là "chưa qua nén". MP3 cũng không phải "chất lượng thấp". Nó là "nén có mất dữ liệu, nhưng nén khéo". Hai thứ này giống như RAW và JPEG trong nhiếp ảnh – không phải cái nào xịn hơn, mà là dùng cho mục đích khác nhau.

WAV giữ nguyên dữ liệu mẫu gốc, nên file nặng khủng khiếp. Một đoạn 1 phút, 44.1kHz / 16bit, rơi vào khoảng 10MB. Cùng độ dài đó, MP3 128kbps chỉ tầm 1MB, còn 320kbps thì khoảng 2.4MB.

Vậy phần dung lượng tăng thêm đổi lấy cái gì? Đổi lấy khả năng chỉnh sửa. Nếu sau đó bạn còn phải đưa vào phần mềm dựng để lọc nhiễu, đổi tốc độ, trộn nhạc, cắt ghép, thì WAV chịu được nhiều lần xử lý. MP3 mỗi lần xuất là mất thêm một lớp, cắt ba lượt là âm thanh bắt đầu rè, tiếng xì.

Ngược lại, nếu bạn chỉ cần quăng audio lên video ngắn, gửi Zalo, nhúng vào web, thì file WAV 10MB là lãng phí. Nền tảng họ cũng nén lại một lần nữa, bạn chẳng được gì.

Thói quen của mình, đại khái chia thế này

Làm nội dung mấy năm, mình thành phản xạ có điều kiện:

  • Cần đưa vào phần mềm dựng để xử lý tiếp: luôn chọn WAV
  • Giao trực tiếp, gửi nhóm, đăng nền tảng: MP3 320kbps
  • Không chắc: xuất WAV để đó, khi nào cần thì chuyển sang MP3

Gạch đầu dòng thứ ba là sau một lần mình bị khách mắng. Hôm đó giao file MP3, khách nói "nhạc nền to quá, chỉnh nhỏ lại". Mình lấy chính file MP3 đó cắt, giọng người đọc bị mờ hẳn, đành tạo lại từ đầu. Từ đó mình giữ nguyên tắc nguồn phải là WAV.

Nói tới tạo giọng, tiện thể: khi làm giọng nói AI miễn phí cho nội dung, cách nhàn nhất là "tạo một lần, lưu hai định dạng". Giờ chuyển văn bản thành âm thanh miễn phí không giới hạn, chạy lại một lần chỉ mất vài chục giây, việc gì phải tiếc dung lượng mà đánh cược.

Còn nếu bạn định gắn giọng đọc vào chương trình riêng để chạy hàng loạt, lại càng phải giữ bản gốc không nén. Bên VoxClone có cung cấp cách gọi API tổng hợp giọng nói miễn phí, âm thanh trả về lưu thẳng thành WAV, sau này muốn xử lý gì cũng còn đường. Giữ nguồn từ đầu bao giờ cũng rẻ hơn sửa về sau.

Vài câu hỏi bị hỏi hoài

MP3 có nghe ra vẻ "AI" không?

Không. Hoặc nói đúng hơn, định dạng không phải yếu tố quyết định. Một đoạn voice nghe giả thường do cắt câu kỳ cục, hoặc chọn giọng không hợp nội dung – ví dụ lấy giọng đọc tin tức để đọc caption bán hàng. Dù là giọng đọc hay miễn phí hay giọng trả phí, độ tự nhiên giờ đã qua giai đoạn "nghe là biết AI" từ lâu. Khác biệt do định dạng gây ra, nghe bằng loa điện thoại gần như không nhận ra.

Làm video ngắn, xuất WAV có bị nặng quá không tải lên được không?

Có. TikTok, YouTube Shorts, Reels đều có giới hạn dung lượng ngầm, và cuối cùng họ vẫn chuyển mã. Bạn tải WAV lên, nền tảng vẫn nén thành AAC. Nên với video ngắn, cứ MP3 mà dùng, đừng tự làm khó mình.

File xuất ra còn chỉnh được không?

MP3 chỉnh được, nhưng mỗi lần chỉnh là mất một lớp. Nếu chỉ cắt khoảng lặng đầu đuôi thì không sao. Còn nếu cần đổi tốc độ, đổi tông, lọc nhiễu, tốt nhất quay lại trang nhân bản giọng nói tạo lại một bản WAV rồi hẵng sửa. Điểm hay của voice clone không cần đăng ký là ở chỗ đó – chi phí thấp tới mức bạn có thể làm lại thoải mái.

Viết tới đây

Quay lại tin nhắn của Hùng. Mình bảo: lô audio mô tả sản phẩm này, cứ xuất WAV một bản lưu trữ, rồi chuyển sang MP3 320kbps để giao. Nó không tin, hỏi "chênh có chút xíu mà nghe ra được hả". Mình nói không nghe ra, nhưng ba tháng nữa khi mày sửa kịch bản, mày sẽ biết khác nhau chỗ nào.

Nếu bạn cũng đang phân vân, đừng đứng mãi ở trang xuất file. Chọn một đoạn 30 giây, dùng chuyển văn bản thành giọng nói tạo hai bản – một MP3, một WAV. Đeo tai nghe nghe thử, rồi quăng cả hai vào phần mềm dựng cắt một nhát. Năm phút, hiệu quả hơn đọc mười bài hướng dẫn.

Ghé thêm hướng dẫn cũng được, trong đó có mấy cái mình đã thử và sai trước bạn rồi.